本研究采用行业层面面板数据,利用传统统计与机器学习方法(如SARIMA、RNN、LSTM、Prophet)对美国制造业、批发和零售行业的库存与需求进行了预测,评估COVID-19期间牛鞭效应(BWE)的放大情况。结果表明,疫情显著加剧了牛鞭效应,且制造商、批发商和零售商反应存在显著差异。LSTM模型表现最佳,能够较准确预测疫情前后的需求与库存波动,揭示了供应链在面对极端外部冲击时的脆弱性及行业间的异质性响应,为供应链风险管理提供了实证依据和预测工具 。
| 供应链阶段 | 准确预测BWE(+,+) | 准确预测无BWE(-,-) | 假阳性(+,-) | 假阴性(-,+) |
|---|---|---|---|---|
| 制造商 | 12(23.5%) | 20(39.2%) | 1(0.02%) | 18(35.3%) |
| 批发商 | 8(42.1%) | 5(26.3%) | 1(5.3%) | 5(26.3%) |
| 零售商 | 1(14.2%) | 5(71.4%) | 0 | 1(14.2%) |
报告标题: Impact of COVID-19 on The Bullwhip Effect Across U.S. Industries
作者: Alper Sarıcıoğlu, Müjde Erol Genevois, Michele Cedolin
发布机构: International Journal of Industrial Engineering
日期: 收稿2024年8月24日,接受2025年2月12日
研究主题: 本文聚焦COVID-19疫情如何影响美国各产业中的“牛鞭效应”(Bullwhip Effect,简称BWE),即供应链上下游需求波动放大的现象。
核心论点与研究目的:
关键词包括:供应链管理、牛鞭效应、COVID-19、机器学习预测、行业层面分析及实证分析。,1]
报告指出COVID-19引发了消费者的恐慌性囤货行为,推动了基本商品需求激增;同时,疫情也暴露了供应链脆弱性,包括原材料短缺和劳动力限制。疫情期间不仅需求端产生剧烈冲击,供应链上下游的物流网络、贸易限制及运输中断造成供应中断,进一步加剧了BWE。
此外,买方库存管理决策受到较大不确定性的影响,导致其对需求波动的过度反应(“啤酒游戏”效应),以及“囤货游戏”行为(提前预期短缺)、人为放大需求波动,供应端扰动转化为更大需求波动。
图1清晰展示了数据预处理、模型训练、预测、误差计算以及BWE放大率计算与比较的全流程,涵盖数据调整、ADF单位根检验、模型包括SARIMA、Prophet、RNN、LSTM,预测分为训练集与测试集。右侧反映预测基线与实际数据的BWE对比分析流程。
该示意图表述了如何通过计算某一产业内部自身需求和生产(库存进出流)数据的方差比衡量BWE,突破了传统需上下游两级关系的数据限制,适配行业层面独立测算。图中不同流向对应库存、采购与需求,直观说明BWE放大率的计算过程和应用范围。
| 期间 | 方法 | 需求预测MAPE(%) | 需求预测MAPE方差(%) | 库存预测MAPE(%) | 库存预测MAPE方差(%) |
|---|---|---|---|---|---|
| 2016-2019 | SARIMA | 9.05 | 21.46 | 1.84 | 1.68 |
| Prophet | 12.63 | 1.80 | - | - | |
| RNN | 4.17 | 0.23 | 1.86 | 0.02 | |
| LSTM | 4.07 | 0.22 | 1.83 | 0.02 | |
| 2020-2023 | SARIMA | 3.78 | 13.75 | 10.46 | 3.48 |
| Prophet | 23.42 | 31.65 | 31.78 | - | |
| RNN | 6.64 | 0.73 | 2.60 | 0.03 | |
| LSTM | 6.63 | 0.72 | 2.57 | 0.03 |
| 供应链阶段 | 准确预测牛鞭 (+,+) | 准确预测无牛鞭 (-,-) | 虚假正牛鞭 (+,-) | 真漏判牛鞭 (-,+) |
|---|---|---|---|---|
| 制造商 | 12 (23.5%) | 20 (39.2%) | 1 (0.02%) | 18 (35.3%) |
| 零售商 | 1 (14.2%) | 5 (71.4%) | 0 | 1 (14.2%) |
| 批发商 | 8 (42.1%) | 5 (26.3%) | 1 (5.3%) | 5 (26.3%) |
| 总计 | 21 (27.3%) | 30 (39.0%) | 2 (2.6%) | 24 (31.2%) |
表列举了18个制造业、5个批发业及1个零售业的行业代码及名称,这些行业的预测模型未检测到实际发生的BWE。
结合文献分析与产业报告,这些行业多存在:
典型案例包括“汽车制造”需求先跌后回升,供应受芯片短缺影响严重;“家电批发”需求激增但供应受阻;“家具零售”需求萎缩且供应受疫情管制限制。
图6-8为部分行业需求时间序列及LSTM预测,展示疫情前后实际与预测的对比,进一步佐证数据处理及模型能力。
行业差异体现了疫情对需求和供应链两端的不同影响,深刻说明了行业特性与供应链结构在疫情期间BWE表现上的关键作用。,12,13]
本报告聚焦供应链管理和统计实证分析,未涉及公司财务估值和证券分析,不包含DCF或市盈率等估值内容。
报告优势:
潜在不足和需注意点:
本研究深入剖析了COVID-19疫情对美国供应链中牛鞭效应的放大机制和行业层面表现。基于77个行业1992-2023年的月度库存及需求数据,采用SARIMA、Prophet、RNN、LSTM多模型进行需求和库存预测,最终选用LSTM建立疫情无影响下的预测基线。通过比较实际放大率与预测放大率,揭示疫情导致牛鞭效应明显加剧,尤其集中于上游制造商和部分批发商,零售商受影响较轻,反映供应链结构和行业特性的关键作用。
机器学习模型(RNN、LSTM)表现出明显优于传统统计模型(SARIMA、Prophet)的预测能力,在复杂非线性和高波动的疫情时代展现了卓越韧性。BWE分析兼顾定量指标与行业实证描述,揭示了疫情造成的需求突然波动和供应中断如何转化为供应链整体效率和风险管理的严峻挑战。
报告强调,预判和管理BWE需结合行业特征、供应链阶段和疫情影响的多维度视角,并呼吁未来研究加强跨行业供应链联系分析、混合模型优化与长期稳健应对策略开发,以增强全球供应链韧性。
文中所有引用均标注页码,重点参考了引言(0-1页),文献回顾及实证方法(1-4页),数据与模型细节(4-7页),结果分析(7-14页)和结论总结(14页),确保文本依据完整透明。
该报告为理解和应对全球性突发公共卫生事件期间供应链波动的管理挑战提供了理论和实证的重要贡献。其创新之处在于融合了行业层面大规模数据与先进ML预测,精确刻画疫情对“牛鞭效应”的量化影响与行业差异,为学术界和产业界提供了行动蓝图和未来研究方向。
2506.06368.pdf